Cybersecurity startup Cathedral used AI agents to infiltrate Anthropic's internal systems through third-party business software, exploiting the AI lab's own bug bounty program to expose major vulnerabilities. Cathedral r…
推荐理由行业动态类信息，来自 The Decoder，建议按需查看原文。
开发者发布 Spec-First 插件，把 Agent 开发流程拆成 create-spec、review-spec、apply-spec、deliver-spec 四个环节：先写规格（目标、步骤、带文件和行号的事实、完成标准），再由没看过对话记录的审查者挑错，然后按项目规则写代码和测试，最后经检查门禁提交并开 PR。每个规格对应独立分支和 worktree，状态存在 context.yaml 里，可中断续跑；deliver-series 命令能把大改动拆成多个规格，无文件冲突的并行构建。作者称其内部已用一千多个规…
推荐理由想给 Agent 加规格审查和并行分支流程的开发者，可看它的四步技能拆分和 context.yaml 续跑设计
AI 研发实验室 Mirendil 发布首个模型 Fern 0.1，这是一个从零训练的编码模型，上下文窗口最高 1000 万 token，约合 23 MB 代码、50 万行，可一次性载入 Megatron-LM 规模的代码库。参数规模 0.1 至 0.5T，未披露具体数量与激活参数，仅提供托管早期访问，未公布开源权重。基座模型在 RULER 单针检索任务上，32K 至 10M token 各长度均达 100%；但在 Terminal Bench 4.0 上仅 6.1%，同一表格中 Claude Opus 5.5 为…
推荐理由1000 万 token 上下文可整库读入，但 Terminal Bench 仅 6.1%
开源项目 Farol 发布，是一个免费 MIT 许可的 CLI 和 GitHub Action，在 AI 代码审查之后运行，为批准合并的人给出 0-100 的风险评分和风险所在文件。它基于静态分析而非模型推测，同一 PR 结果可复现。输出包括：变更影响到的所有页面、API、RPC、任务和脚本及调用链；fast track、quick review、careful review 三档结论；按风险排序的文件、内联 diff、未测试行标记和手工验证清单。通过 npx @winninjs/farol 或 GitHub Ac…
推荐理由免费开源，一条 npx 命令就能给 PR 打分并指出高风险文件，适合有 AI 审查流程的团队补上人工把关环节
一项研究对比 Claude Code、OpenCode 和 mini-SWE-agent 三种编码 Agent 框架，在 Qwen3.6、Qwen3.8、Deepseek-V4-Flash、GLM-5.3-Flash、HY4-Preview 五个模型上测试。在 447 个 SWE-bench Verified 任务上，最重的 Claude Code 与最轻的 mini-SWE-agent 通过率相差不到 2 个百分点，在 5 分区间内统计等价；但三种框架的 token 消耗是最精简方案（mini-SWE-agent…
推荐理由换框架带来的提升和重跑一次的随机波动差不多，但 token 花 2 到 3 倍，选型时别为框架溢价买单
Recursive Superintelligence 发布首个模型 Flint，这是一个面向编码 Agent 的开源权重 MoE 模型：总参数 39.8B、每 token 激活约 2.5B，权重以 Apache 2.0 协议发布在 Hugging Face。模型卡标注上下文 262,144 tokens，博客称最高支持 512k。4-bit 量化后约 23 GB，可在 48 GB 的 Apple Silicon Mac（M4 Pro、M5 Pro、M5 Max）或 48 GB NVIDIA GPU 上本地运行。官…
推荐理由4-bit 权重仅 23 GB，48 GB 内存的 Mac 就能本地跑编码 Agent
OpenAI 称最新模型在 COBOL、Fortran、Visual Basic 等低资源语言上的编码与迁移能力显著提升。新评测 MultiLangBench 要求模型用 20 种语言从零构建兼容 SQLite 的数据库引擎，GPT-6 Astra 平均通过率 87.4%，GPT-5.6 Sol 为 26.8%；GPT-6 Luna 达 40.3%，API 成本约低 78%。COBOL 迁移评测中，GPT-6.1 Sol 低推理强度下准确率 86.6%（GPT-5.6 Sol 为 5.4%），成本低 39%，高推理…
推荐理由COBOL 迁移准确率从 5.4% 升到 86.6%，金融、政府遗留系统现代化团队可直接评估
Anthropic 披露 Claude Code 团队的代码评审流程：Claude 撰写约 90% 的 Claude Code 自身代码。6 月至 9 月，该代码库合并的 PR 数量翻了一倍多，同时被回滚的比例下降超过 40%。Anthropic 主仓库每日落地的变更从 5 月的约 2500 次增至 9 月的 3 万次以上。团队没有取消评审，而是把大部分代码阅读交给机器，把人工时间留给只有人能判断的问题，并投入资源让回滚错误变得快速容易。目标是多数 PR 最多只需一名人工参与即可合并，且回滚率和事故率不上升。
推荐理由想知道 90% 代码由 AI 写时如何做评审，可参考其指标设计：人工审批数、回滚率
美国新实验室 Reflection 发布首个模型 Beam，采用 MoE 架构，总参数 501B、每 token 激活 23B，支持 100 万 token 上下文，以 Apache 2.0 许可开源。模型面向编码和 Agent 场景，提供 BF16、FP8、NVFP4 三种权重格式，首日即支持 transformers、SGLang、vLLM，并附带基于 Rust 的专用 harness 和投机解码草稿模型。推理强度分 low、medium、high、xhigh、max 五档，支持跨轮保留思考内容。Reflect…
推荐理由501B 参数、Apache 2.0、100 万上下文，想在自有硬件上部署前沿编码模型可直接下载
Inside the Kimi K3 optimization effort: understanding the bottlenecks and the decisions that made inference faster In this article AgentX: the workload and results Inside Kimi K3: experts, attention and recurrent state 1…
推荐理由产品发布/更新类信息，来自 vLLM，建议按需查看原文。
Kimi K3 decode performance on NVIDIA GB300. Coding agents can now help with some of the hardest parts of model optimization: writing complex GPU kernels, performing cross-operator fusions, overlapping computation with co…
推荐理由产品发布/更新类信息，来自 vLLM，建议按需查看原文。
开发者 Ross Shaw 发布 BlastLoop 1.0.0，一套面向 AI 编码 Agent 的“结构优先”工作法。核心是把写代码分成三个层级：Blast 负责系统级结构与接口，Mid 负责子系统与功能切片，Inner 负责局部文件与单元改动；随后按固定顺序跑三层测试：T1 查结构问题（边界错误、抽象泄漏、接口缺失），T2 修 bug 与运维问题，T3 做对抗性测试。若 T3 发现结构问题，则回到 T1 并路由给对应层级重写。使用方式为把仓库克隆进项目、让 Agent 读 AGENTS.md、按工作层级加载对…
推荐理由5 分钟就能接入现有 AI 编码 Agent，用三层 prompt 加固定测试顺序约束 Agent 乱改结构。
一位维护多个开源项目的开发者用 Codex 生成 Angular Update Skill，自动完成版本升级、迁移和依赖更新。实测中遇到三个问题：CI 因 package.json 与 package-lock.json 不同步导致 npm ci 失败，加入 npm ci 验证步骤解决；npm 发布报 404，原因是 Node.js 22 配 npm 10 不满足 trusted publishing 要求的 npm 11.5.1+；Skill 体积过大，精简后主文件从 1252 词降到 701 词，整体缩短约 4…
推荐理由想用 AI 自动化依赖升级的开发者可参考这套验证步骤和踩坑清单
开发者发布 AI Avatar v25，一个免费应用，VRoid 虚拟形象可在 VS Code 侧边栏或浏览器面板中对 Claude Code、Codex、GitHub Copilot 等做出反应。本次更新包含 5 项内容：Avatar Run 跑酷小游戏、Muscle Brain 2D/3D 脑力训练游戏迁移、Voxel Avatar 体素游戏更新（新增园艺模式、动物和过山车建造器）、Jev 以及 Codex 支持。作者还尝试用 ChatGPT 生成多视角图、再让 AI 写 Three.js 代码反复比对修正来生…
推荐理由免费工具，能在 VS Code 侧边栏用虚拟形象对 Claude Code、Codex 做出反应，可直接安装试用。
开发者发布开源基准 Parsimony，用「净编码单元」衡量 AI 模型在解题时新增多少代码：统计语句、调用、比较、命名和字面量等语法元素，不按行数计，并减去删除的代码（净单元 = 新增 − 删除）。数据取自 SWE-bench Verified 已公布的补丁，不重跑测试，仅测 Python，排除测试、文档和生成文件。榜单按已解任务的平均净新增单元从低到高排名，失败尝试也计入均值。作者提醒：单元数只衡量体积，不代表可读性或设计好坏；写代码多的模型往往解题也更多（26 个以上模型的榜单上 Spearman 相关系数 …
推荐理由想知道哪个模型写代码最啰嗦，可看这份榜单，还能上传自己基准的数据生成对比图。
LangChain 的编码 Agent deepagents-cli 在 Terminal Bench 2.0 上从 52.8 分提升到 66.5 分，涨 13.7 分，排名从 Top 30 外进入 Top 5。模型固定为 gpt-5.2-codex，只调整 harness。做法是把 trace 分析做成 Agent Skill：从 LangSmith 拉取实验 trace，并行启动错误分析 Agent，再由主 Agent 汇总建议，人工可参与验证。优化集中在三个旋钮：系统提示词、工具、中间件。团队称自我验证和 t…
推荐理由只改 harness 不改模型就能涨 13.7 分，做 Agent 的可以直接抄这套 trace 分析流程
作者实测用本地模型驱动 Claude Code 和 Codex 后指出，SWE-bench Verified 只衡量「给定 bug 产出正确补丁」这类写作任务，无法反映真实代理场景的四个关键问题：工具调用格式是否稳定可解析、长程任务第 11 次调用是否还记得第 2 次的计划、40K token 真实仓库上下文下质量是否崩塌、指令遵循是否可靠。2026 年两个变化让本地方案可行：MoE 架构（如 Qwen 35B-A3B 每 token 仅激活约 3B）把显存门槛降到消费级 GPU，Ollama 于 2026 年 1…
推荐理由想用本地模型替 Claude Code 的人先看这篇：SWE-bench 高分不等于能当代理，四个真实失败点值得对照自测
一项 Kaggle 基准测试用 26 个 OpenTelemetry 规范版本对 17 个 AI 模型评分：16 个模型写出了已废弃的属性名，其中 83% 的废弃名称已停用超过一年；13 个模型在被直接问到时能正确说出新名称，但在写代码时仍用旧名。7 个模型通过改单位来"修复"指标却保留废弃名称，导致两头都错。提示中加入一句规范版本号可减少 36% 的废弃名称，但模型编造的名称增多。
推荐理由写 OpenTelemetry 埋点的开发者可直接对照：模型生成的 db.system 等旧名会静默失效
据 Business Insider 看到的内部文件、截图和聊天记录，Google 正在测试 Argon、Barium、Carbon 三个 Gemini 4 变体。Carbon 已在 Google 内部编码平台 Jetski 上部署数日，据称在编程任务上强于 Argon，一名员工将其与 Anthropic 最强的编码模型 Opus 5.5 相比，但仍需更多测试。早期 Argon 版本在部分编码任务上被另一名员工比作较旧的 Opus 5。Google 将模型划分为 Argon 负责前沿推理、Flash 负责速度与规模…
推荐理由想提前判断 Gemini 4 编码实力和发布时间线的人，可看内部代号与对标 Opus 5.5 的说法
AWS 开发者倡导者 Erik 发文介绍降低 AI 编码 token 成本的 5 种方法，以 Kiro 为例。核心事实：不同模型成本差异巨大，同一任务在 Kiro 中 Auto 模式需 10 credits，Opus 5.5 需 20 credits，Haiku 4.5 需 4 credits，Qwen3 Coder Next 仅需 0.5 credits，相差 40 倍。开源权重模型处于低价端：Qwen3 Coder Next 为 0.05x，MiniMax M2.1 为 0.15x，DeepSeek 3.2 为…
推荐理由同一任务模型成本差 40 倍，Qwen3 Coder Next 仅 0.05x，可直接按任务选模型省钱
开发者 pingdotgg 用 LLM 将 TypeScript 编译器、类型检查器和 LSP 移植为 Rust 版本 ts-rust（tsc-rs），总 token 花费约 24047 美元、耗时 2 周。此前用 GPT-5.6 Sol 和 GPT 6 Astra 花费超 40 万美元、写了 130 万行 Rust，兼容性卡在 84%；改用 Opus 5.5 后从零重写，10 小时做出可用 v0。作者称在测试过的真实项目中兼容性达 100%，可作为 tsc 的替代品，但属早期版本，且作者本人未读过一行代码。
推荐理由想了解 LLM 大规模代码移植真实成本与效果的人，这里有 2.4 万 vs 40 万美元的对比数据
Jotbus 是一个面向编码 Agent 的端到端加密共享草稿本，通过 npx jotbus 一条命令创建 60 分钟加密工作区，无需注册。它支持 Claude Code、Codex、Cursor、Gemini CLI、GitHub Copilot CLI 等十余种 Agent 及任意 MCP 客户端，让不同机器上的 Agent 互相传递笔记、文件和任务。工具会向所选 Agent 注册命令或配置文件，并设置 hook 使 @提及 的消息能送达；工作区列表和客户端副本存放在 ~/.config/jotbus，不读取代…
推荐理由想让 Claude Code 和 Codex 跨机器交接任务、互相 review 代码的开发者
OpenAI is adding invisible watermarks to ChatGPT text to comply with EU rules. Unlike Anthropic, it will let API customers worldwide turn them off. The EU AI Act reportedly requires AI providers to label generated text i…
推荐理由模型发布/更新类信息，来自 The Decoder，建议按需查看原文。
Offrun 是一个 Mac 桌面工具，把用户已有的编码 Agent CLI 集中到一个工作区里运行，使用本机已登录的账号，不需要新账号或 API key。每个 Agent 在项目中获得独立 git worktree，避免同时改同一仓库时文件冲突；可指定第二个 Agent 在提交前审查 diff，结果直接进入聊天。当某个账号额度用尽，Offrun 会把对话迁移到仍有额度的登录账号继续。工作区还提供项目记忆（以纯文本文件存在项目目录）、跨终端 Agent 完成通知、diff 与文档预览、Build/Planner 模…
推荐理由同时跑多个编码 Agent 的人可以用它隔离 worktree、自动切换账号额度，避免文件冲突和限流中断。
IBM 宣布其智能体软件开发平台 Bob 的自托管部署选项正式 GA，企业可在本地、私有云、主权云和气隙网络中运行 Bob，覆盖代码理解、任务规划、执行变更和结果验证全流程。Bob 本身不捆绑模型，客户需自行采购并托管受支持模型：自托管可选 NVIDIA Nemotron、Poolside Laguna；混合或私有 SaaS 模式可经批准连接使用 Claude Sonnet 5.0、Claude Opus 4.8、Gemini 3.7 Flash、OpenAI GPT 5.6 Sol。自托管模型下代码、开发上下文和…
推荐理由想在气隙环境跑编码 Agent 的团队，可对照其支持的模型清单和 BYOL 模式评估
一位开发者在 DEV Community 发文讨论 AI 对前端开发的冲击。他提到一位 62 岁、从业近 30 年的开发者评论称 Claude 已承担其约一半工作量，建议深耕 Vue 或 Angular 加 C# 等具体技术栈。作者用 Kiro 让 AI Agent 一次性重建了 Winamp MP3 播放器（ErikAmp），包含均衡器滑块、滚动播放列表、播放控制、随机与循环等功能，还自动生成了测试套件，代码为纯 index.html、CSS、JavaScript 加少量 Python，未使用框架。作者认为 CR…
推荐理由看一个具体案例：AI Agent 一次生成完整播放器 UI 并附测试，判断前端哪些活先被替代。
Anthropic 发布 Claude 5.5 家族第二款模型 Claude Sonnet 5.5，定位为 Opus 5.5 更快、更便宜的补充，面向日常任务、bug 修复和文档表格制作。已上线 Claude Platform 及 AWS、Google Cloud、Azure，闭源不可自托管。相比 Sonnet 5：输出速度提升 30% 以上，单任务成本最多降低 30%，写作更清晰，并首次仅凭截图通关《宝可梦红》。规格为 100 万 token 上下文、128K 最大输出、2026 年 6 月知识截止，自适应思考默…
推荐理由价格只有 Opus 5.5 一半，Terminal-Bench 反超，做编码 Agent 可直接换。
Anthropic 发布新模型 Claude Sonnet 5.5，官方称运行速度提升 30% 以上，多数任务成本最多降低 30%，定价与 Sonnet 5 相同但各项基准测试均优于前代。Simon Willison 实测发现，该模型在部分编码任务上接近 Opus 5.5，包括 3D 动画类技巧；但和 Opus 5.5 一样存在 max 思考档位的 bug——pelican 测试中思考 128000 token、花费 1.28 美元后耗尽 token 仍未能生成 SVG。xhigh 档位耗时 41 秒、花费 5.7…
推荐理由免费层就能用上接近 Opus 5.5 的编码能力，做 Agent 或日常开发可先测免费版
一位开发者在 DEV Community 发文，称自己不再用「亲手写了多少代码」衡量编程能力。他列举 AI 生成代码的典型问题：修一个 bug 引入另一个、重复已有逻辑、自信地误解架构、测试通过但违反需求、添加没要求的抽象、删除未察觉的依赖行为。他认为生成代码从来不是工作的全部，只是最显眼的部分；更难的是判断系统在做什么、能否识别错误、能否调试、能否解释架构、能否在不破坏无关功能的前提下修改并长期维护。原文信息有限，未给出具体工具或数据。
推荐理由做 AI 编码工具或带 AI 写代码的人，可对照这份「AI 代码七宗罪」清单检查自己的 review 流程
Anthropic 发布 Claude 5.5 家族第二款模型 Claude Sonnet 5.5，输出速度提升超 30%，单任务成本最多降低 30%，多项基准接近 Opus 5.5。编码提升最明显：Terminal-Bench 4.0 从 Sonnet 5 的 10.3% 升至 70.6%，CursorBench 4.0 从 34.1% 升至 55.5%，仅比 Opus 5.5 低 2 个百分点。知识工作基准 GDPval-AA 得 1,844 分，与 Opus 5.5 的 1,846 几乎持平。Anthropi…
推荐理由编码跑分从 10.3% 跳到 70.6%，单任务成本最多降 30%，做 Agent 和日常编码可直接换
MarkTechPost 逐条核对 GitHub Copilot、AWS Kiro、Cursor、Devin、Windsurf 截至 2026 年 9 月 26 日的合同条款。GitHub Copilot 商业版和企业版对未修改输出提供无上限 IP 赔偿，2026 年 4 月 3 日起不再要求重复检测过滤器；AWS Kiro 对输出提供版权索赔无上限赔偿，但免费层不覆盖；Cursor 赔偿被排除在 12 个月费用上限之外，代码被修改或组合后失效；Cognition 已于 6 月 2 日将 Windsurf 编辑器更…
推荐理由采购、法务、安全评审选型前可直接对照：Copilot 无上限赔偿，Devin 不保生成代码。
Nvidia 研究人员提出 SoL-Pi，不改模型而改 Agent 的 harness 控制层，自动搜索更省 token 的控制逻辑。在 EdgeBench 上，相比 Codex 节省 50% token，相比 Claude Code 节省 54.3%。系统在 535 个可执行环境中探索了 152 个方向，生成超 3000 次运行、6 万多次 Agent 与环境交互。搜索产出四种机制：Action Fusion 合并连续步骤省掉一次模型调用、Online Context Compact 每步规划后压缩上下文、Obs…
推荐理由做编码 Agent 的可以直接参考：harness 层优化能省一半 token，且不牺牲性能
GitHub 称 Copilot 代码审查已占 GitHub 上超过五分之一的代码审查，其系统能探索仓库上下文、检查大型 PR、审查机器人提交的 PR 并在改动后复查自己的结论。作者指出，AI 审查 AI 生成的代码不等于独立验证：若需求被误解，实现、测试、审查会共享同一错误假设，最终 CI 全绿但需求仍是错的。人类仍需负责判断产品意图、业务规则和未文档化的边界情况。
推荐理由用 GitHub 五分之一审查量这个数字，说清 AI 互审的盲区在哪
一名用户分享：牙医在根管治疗前拍了 3D 颌骨 X 光，称原始数据需要专业软件才能打开，共 800 个 DICOM 文件。该用户用 Claude Code 搭配 Opus 5.5，仅一次提示就做出了查看器，效果比医生屏幕上展示的更好，也优于几周前 Fable 的版本。原帖为引用转发，未提供更多技术细节。
推荐理由800 个 DICOM 文件一次提示出可用查看器，可参考它处理专业格式数据的实际能力
Black Forest Labs (BFL), the lab behind the FLUX image models, has released FLUX 3 Action. It is a 7B open-weights World Action Model (WAM) for robot control. The model reads camera frames, robot state and a text instruc…
推荐理由模型发布/更新类信息，来自 MarkTechPost，建议按需查看原文。
Anthropic 称 Claude Opus 5.5 在典型按 token 计费的工作负载上，运行成本比 Opus 5 低约 40%。具体调整包括：输入与输出 token 价格下调 20%，缓存读取价格下调 60%。官方数据显示，2026 年 3 月至 9 月，Claude Code 单次请求上下文增长 2.6 倍，输入输出 token 比从 189:1 升至 324:1，每个 prompt 的模型调用次数增加超 40%，中断减少 68%。Anthropic 称缓存未命中的输入减少超过 50%。
推荐理由按 token 计费的长会话直接省 40%，缓存读取降到原来的四成，做 Claude Code 类 Agent…